怎么用Python分析红楼梦关键词

Python工具包准备

想要完成一个文本的分词，我们需要分词工具；而要将分词统计结果用词云图画出来，我们需要一个词云工具：

jieba 是基于Python的中文分词工具,安装使用非常方便。

我们使用pip安装：

wordcloud库，可以说是python非常优秀的词云展示第三方库。词云以词语为基本单位更加直观和艺术的展示文本词云图，也叫文字云，是对文本中出现频率较高的"关键词"予以视觉化的展现，词云图过滤掉大量的低频低质的文本信息，使得浏览者只要一眼扫过文本就可领略文本的主旨。

效果举例：

我们使用pip安装：

为了让分词工具进行分析，我们下载红楼梦小说txt格式。为了方便，我们将红楼梦文档放在程序"fenci.py"所在目录"分词"下的txt文件夹里面：

像上面的词云图的形状是一个鲸鱼，我们需要准备一个有图案的背景图，让最后的词云图贴合背景图案。

我们选用这张宝玉的美男子画像图作为背景图:

文件保存在程序当前文件夹的img目录下：

在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据（或文本）之前或之后会自动过滤掉某些字或词，这些字或词即被称为StopWords(停用词)。

但是，由于红楼梦有很多特殊的用词，比如"这会子"，"明儿"等等，大家可以选择自行添加一些停用词。比如我加了一些词：

我们把停用词放在words文件夹下面：

我们将最大次数设置成500个，为了能让背景图案比较明显：

从结果看来，宝玉是当之无愧的主角。凤姐，贾母，王夫人等人戏份也不少。由于黛玉和林黛玉被分成了两个词，因此显得戏份很少，大家想想有没有办法解决这个问题？另外，我们可以看到"这会子"这个词出现频率也不低，从中可以一窥当时的方言的感觉。